一种基于多核学习判别分析的舰船辐射信号识别方法技术

本发明专利技术公开了一种基于多核学习判别分析的舰船辐射信号识别方法，对舰船辐射信号样本依次进行预处理、听觉模型特征提取、维数约简、分类器分类判决。其中在维数约简阶段，使用了基于多核学习判别分析的方法，利用交替优化，分别对核映射系数和线性多核组合系数，在用图嵌入形式表示的核判别分析优化目标下，进行优化运算。与现有方法相比，本发明专利技术的方法在舰船辐射信号的识别方面，能够有效地提升系统的识别性能。

【技术实现步骤摘要】
一种基于多核学习判别分析的舰船辐射信号识别方法
本专利技术属于舰船辐射信号识别领域，特别是涉及一种基于多核学习判别分析的舰船辐射信号识别方法。
技术介绍
舰船辐射信号的分析是通过水声信号进行水下舰船目标识别的必经步骤，通过声呐所接收的舰船的辐射噪声，可以在较远距离外判断舰船目标的种类甚至于一系列具体的舰船参数。舰船辐射信号来源于机械、螺旋桨、水流等各方面因素，所以，舰船辐射信号的分析无论对于人工还是机器来说，都是一项复杂的工作。作为舰船辐射信号分析和识别的一个关键步骤，舰船辐射信号特征维数的约简对于提取出有利于识别不同舰船的特征具有重要的意义。目前已有了一些舰船辐射信号特征的提取方法，但这些方法主要都是借助一些经验性的知识，对信号的各方面参数情况进行初步的判断。虽然通过实践证明这些方法具有一定的实用性，但需要较多的人工成本，而且在外部环境变化的情况下这些方法并不具有较好的自适应性。多核学习(MultipleKernelLearning，简称MKL)方法作为核方法基础上的进一步优化，在图像处理等方面已经有了一些应用，并在已有核方法选取特定核函数的基础上取得了较好的效果。常用的多核学习算法主要包含基于支持向量机(SupportVectorMachine，简称SVM)，以及基于图嵌入(GraphEmbedding，简称GE)两种优化形式。多核学习能够在给定优化目标的基础上自动地选择使得代价函数更优的核组合，从而使得核的选择更具有多样性。当前的研究中还存在着以下问题：水下目标识别以及舰船辐射信号识别与分析中，大部分方法仅仅依赖于对信号谱的专家经验分析、规律总结，而缺乏对于已有样本的充分利用；而核方法中对于核的选取一般都是利用大量的实验结果，进行人工分析或大计算量的性能自动分析得到。
技术实现思路
要解决的技术问题：针对现有技术的不足，本专利技术提出一种基于多核学习判别分析(MultipleKernelLearning(Fisher)DiscriminantAnalysis，这里简称MKL-FDA)的舰船辐射信号识别方法，利用提取出的听觉模型特征，使用MKL-FDA进行维数约简训练，解决现有技术中，对依靠专家系统以及主观经验进行舰船辐射信号分析识别，需耗费大量的人工且无法很好地对特征不明显的舰船辐射信号进行识别；对采用核方法进行识别时存在在识别中数据核映射的选择不精确的技术问题。技术方案：为解决上述技术问题，本专利技术采用以下技术方案：一种基于多核学习判别分析的舰船辐射信号识别方法，将舰船辐射信号数据库中若干个舰船辐射信号样本按比例随机划分为训练样本集和测试样本集，其中每个舰船辐射信号样本均具有表征其来源的舰船类别标签，包括顺序执行的以下步骤：步骤一，舰船辐射信号样本预处理：对舰船辐射信号样本进行预加重，然后对预加重后的舰船辐射信号样本的时域信号进行分帧，并对每帧信号进行能量归一化；步骤二，舰船辐射信号特征提取：对经步骤一处理后的舰船辐射信号样本每帧，分别提取其听觉模型特征，并将提取到的听觉模型特征作为对应的舰船辐射信号样本每帧的特征向量，对各舰船辐射信号样本中每帧所对应的听觉模型特征取均值，组成得到每个舰船辐射信号样本的特征向量；对每个舰船辐射信号样本的特征向量的每一维特征进行规整化处理后，组成每个舰船辐射信号样本的规整化特征向量；步骤三，基于多核学习判别分析的特征维数约简：将经步骤二得到的属于训练样本集的舰船辐射信号样本的规整化特征向量组成训练样本特征向量集X＝[x1,x2,...,xN]，利用训练样本的舰船辐射信号来源标签信息，采用多核学习判别分析算法对X进行维数约简训练，生成多核学习判别分析算法对应的核方法降维映射阵A，同时求解得到X的核映射低维训练样本集ATΩ；这里：Ω为训练样本集的Gram阵，其第i行j列元素其中：θm为多核条件下各核对应Gram阵的线性组合系数；核m的Gram阵第i行j列元素为km(xi,xj)，不同核对应Gram阵的元素分别选用不同参数下的Gauss核函数构建；M为选取的不同核的个数，1≤m≤M；步骤四，训练分类器：选用1NN分类器，直接使用经过维数约简的训练样本组成1NN分类器；步骤五，测试：对于每个测试样本，使用经步骤四得到的分类器对每个测试样本进行测试，具体包括顺序执行的以下步骤：(1)对经步骤二得到的经过规整化处理后的每个测试样本的规整化特征向量使用核方法降维映射阵A进行维数约简，得到经过核方法维数约简后的低维样本ATΩi，对于测试样本的规整化特征向量Gram阵K中的核函数选用步骤三中所述的不同参数下的Gauss核函数对应的Gram阵的线性组合；(2)使用分类器对ATΩi进行分类，选择1NN分类器进行分类：利用1NN分类器分类的方法为：对于每一个测试样本，在全体训练样本中找到与其欧式距离最近的训练样本，使用该训练样本对应的类别标签作为该测试样本的分类判决结果。在步骤二中，听觉模型特征的提取先后由耳蜗频率分解、内毛细胞能量转换、侧抑制神经网络的信号增强、半波整流、中枢神经短时积分共五步构成，提取完成后输出的信号为：其中：xin(r)为初始输入的舰船辐射时域信号；h(r,s)表示基底膜s处的传输函数；w(r)表示过毛细胞膜的低通滤波器；v(s)为频域平滑；g(·)表示非线性映射；*表示卷积；在离散状态下，s值表示滤波器组中不同的Gammatone滤波器；在分帧处理状态下，不同的离散t值依次对应不同的帧；最终，舰船辐射信号样本每帧提取得到63维听觉模型的特征，即对应64个Gammatone滤波器进行差分运算，每一个离散的t值对应一帧信号样本的特征；对于一个舰船辐射信号样本，将每帧对应的听觉模型的特征取均值，得到该舰船辐射信号样本的听觉模型特征x(0)；具体的，上述滤波器组中的Gammatone滤波器i的时域系统函数为：这里，在本时域系统函数中：r表示一帧信号的时域；i与相应的离散t值对应；g0为增益参数；s为所选取的Gammatone滤波器阶数；Bi为滤波器组中Gammatone滤波器i的带宽；fi为Gammatone滤波器i对应的中心频率值；ξi为Gammatone滤波器i对应的相位；进一步的，在本专利技术中，步骤二中的规整化处理的方法如下：规整化前的所有舰船辐射信号样本中的任一样本的特征列向量为x(0)，其中N个训练样本的特征列向量组成的训练样本集为设为的第j个特征元素，其中i＝1,2,...,N；对于任一样本的特征列向量x(0)，特征j对应元素的规整化处理的计算公式为：其中表示X(0)第j行中最大的元素，表示X(0)第j行中最小的元素；将任一样本中的所有的元素按照上述计算公式进行计算，得到任一训练或测试样本规整化后的特征列向量x＝[x·1,x·2,...,x·n]T，其中，属于训练样本集的舰船辐射信号样本的规整化后的特征向量组成训练样本的规整化特征向量集X＝[x1,x2,...,xN]，即进一步的，在本专利技术中，步骤三中进行维数约简时采用的算法如下：首先，以任一样本的特征向量xi表征其对应的样本，在核m下，该样本的加权高维再生核Hilbert空间映射为其中：m＝1,2,...,M，其中M为高维映射个数，即所选择的多核的总数；θm≥0为核m对应的权重，核函数均选用Gauss核；φm本文档来自技高网...

【技术保护点】
一种基于多核学习判别分析的舰船辐射信号识别方法，其特征在于：将舰船辐射信号数据库中若干个舰船辐射信号样本按比例随机划分为训练样本集和测试样本集，其中每个舰船辐射信号样本均具有表征其来源的舰船类别标签，包括顺序执行的以下步骤：步骤一，舰船辐射信号样本预处理：对舰船辐射信号样本进行预加重，然后对预加重后的舰船辐射信号样本的时域信号进行分帧，并对每帧信号进行能量归一化；步骤二，舰船辐射信号特征提取：对经步骤一处理后的舰船辐射信号样本每帧，分别提取其听觉模型特征，并将提取到的听觉模型特征作为对应的舰船辐射信号样本每帧的特征向量，对各舰船辐射信号样本中每帧所对应的听觉模型特征取均值，组成得到每个舰船辐射信号样本的特征向量；对每个舰船辐射信号样本的特征向量的每一维特征进行规整化处理后，组成每个舰船辐射信号样本的规整化特征向量；步骤三，基于多核学习判别分析的特征维数约简：将经步骤二得到的属于训练样本集的舰船辐射信号样本的规整化特征向量组成训练样本特征向量集X＝[x1,x2,...,xN]，利用训练样本的舰船辐射信号来源标签信息，采用多核学习判别分析算法对X进行维数约简训练，生成多核学习判别分析算法对应的核方法降维映射阵A，同时求解得到X的核映射低维训练样本集ATΩ；这里：Ω为训练样本集的Gram阵，其第i行j列元素其中：θm为多核条件下各核对应Gram阵的线性组合系数；核m的Gram阵第i行j列元素为km(xi,xj)，不同核对应Gram阵的元素分别选用不同参数下的Gauss核函数构建；M为选取的不同核的个数，1≤m≤M；步骤四，训练分类器：选用1NN分类器，直接使用经过维数约简的训练样本组成1NN分类器；步骤五，测试：对于每个测试样本，使用经步骤四得到的分类器对每个测试样本进行测试，具体包括顺序执行的以下步骤：(1)对经步骤二得到的经过规整化处理后的每个测试样本的规整化特征向量，使用核方法降维映射阵A进行维数约简，得到经过核方法维数约简后的低维样本ATΩi，对于测试样本的规整化特征向量Ωi=[K(xitest,x1),K(xitest,x2),...,K(xitest,xN)]T,]]>Gram阵K中的核函数选用步骤三中所述的多个Gauss核函数对应的Gram阵的线性组合；(2)使用分类器对ATΩi进行分类，选择1NN分类器进行分类：利用1NN分类器分类的方法为：对于每一个测试样本，在全体训练样本中找到与其欧式距离最近的训练样本，使用该训练样本对应的类别标签作为该测试样本的分类判决结果。...

【技术特征摘要】
1.一种基于多核学习判别分析的舰船辐射信号识别方法，其特征在于：将舰船辐射信号数据库中若干个舰船辐射信号样本按比例随机划分为训练样本集和测试样本集，其中每个舰船辐射信号样本均具有表征其来源的舰船类别标签，包括顺序执行的以下步骤：步骤一，舰船辐射信号样本预处理：对舰船辐射信号样本进行预加重，然后对预加重后的舰船辐射信号样本的时域信号进行分帧，并对每帧信号进行能量归一化；步骤二，舰船辐射信号特征提取：对经步骤一处理后的舰船辐射信号样本每帧，分别提取其听觉模型特征，并将提取到的听觉模型特征作为对应的舰船辐射信号样本每帧的特征向量，对各舰船辐射信号样本中每帧所对应的听觉模型特征取均值，组成得到每个舰船辐射信号样本的特征向量；对每个舰船辐射信号样本的特征向量的每一维特征进行规整化处理后，组成每个舰船辐射信号样本的规整化特征向量；步骤三，基于多核学习判别分析的特征维数约简：将经步骤二得到的属于训练样本集的舰船辐射信号样本的规整化特征向量组成训练样本特征向量集X＝[x1,x2,...,xN]，利用训练样本的舰船辐射信号来源标签信息，采用多核学习判别分析算法对X进行维数约简训练，生成多核学习判别分析算法对应的核方法降维映射阵A，同时求解得到X的核映射低维训练样本集ATΩ；这里：Ω为训练样本集的Gram阵，其第i行j列元素其中：θm为多核条件下各核对应Gram阵的线性组合系数；核m的Gram阵第i行j列元素为km(xi,xj)，不同核对应Gram阵的元素分别选用不同参数下的Gauss核函数构建；M为选取的不同核的个数，1≤m≤M；维数约简时采用的算法如下：首先，以任一样本的特征向量xi表征其对应的样本，在核m下，该样本的加权高维再生核Hilbert空间映射为其中：m＝1,2,...,M，其中M为高维映射个数，即所选择的多核的总数；θm≥0为核m对应的权重，核函数均选用Gauss核；φm(xi)为核m下样本xi的高维再生核Hilbert空间；然后，对每一个加权高维再生核Hilbert空间映射做内积并求和，得到核算法的Gram阵K第i行j列元素如下：其中：km(xi,xj)＝φmT(xi)φm(xj)为核m对应的Gram阵Km的第i行j列元素；接着，选择优化目标为：其中，列向量α为核算法的降维投影方向向量，αT为α的转置；N×N的Gram阵K＝φT(X)φ(X)，φ(X)＝[φ(x1)φ(x2)...φ(xN)]为训练样本特征向量集X向高维再生核Hilbert空间的映射，φT(X)为φ(X)的转置矩阵；L为Fisher判别分析本征图的拉普拉斯矩阵，且L＝D-W；其中，N×N对角阵D中第i行j列的元素的形式为W为线性判别分析的本征图邻接阵，且对于N维列向量ec的任一元素，其对应的训练样本属于类c时该元素为1，否则该元素为0；B为Fisher判别分析的惩罚图的拉普拉斯矩阵，且其中，线性判别分析的惩罚图邻接阵Dp＝I，其中e为全部元素均为1的N维列向量，I为N×N的单位阵；经过上述优化后，对任一训练样本的特征向量xi，多核条件下其在维数约简后的特征向量表示为yi＝αTΩ(i)Θ；其中，列向量Θ＝[θ1,θ2,...,θM]T为多核线性组合系数向量；xi对应的多核特征矩阵Ω(i)为：其中，Km(j,i)为核m对应的Gram阵Km的j行i列元素；算法采用交替优化迭代，以最小化Q为优化目标，交替对待求解的核方法降维映射阵A和多核线性组合系数向量Θ进行优化求解；交替优化的过程包括以下2个过程：过程1、优化A，求解：

【专利技术属性】
技术研发人员：郑文明，徐新洲，赵力，罗昕炜，黄程韦，余华，吴尘，查诚，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32